L’intelligence artificielle permet d’exécuter des tâches plus rapidement, mais elle peut également traiter les inefficacités dans d’autres phases du processus. Avant d’automatiser, vous comprendrez ce que nous voulons améliorer.
En Angleterre, en 1865, l’économiste William Stanley Jevons avait écrit son livre, La question du charbon, d’une contradiction avec l’industrialisation. C’est à ce moment-là que l’on pense à améliorer la machine à vapeur et à utiliser le carbone de manière plus efficace pour réduire totalement la consommation.
Mais Jevons a observé l’effet contraire. Lorsque la machine à vapeur est plus efficace, elle est également plus rentable. Más y más industrias comenzaron a utilizarla extendiendo su uso y, por tanto, la demanda de carbón.
Esa es la conocida como paradoxe de Jevons, qui établit que l’augmentation de l’efficacité lors de l’utilisation d’un recurso peut provoquer un incrément dans votre consommation totale, au lieu de la réduire. Esto no quiere decir que aumentar la eficiencia sea algo inútil sino que nos recuerda que una mejora local puede cambiar el sistema completo y lo que parecía ahorro observando una máquina aislada puede no serlo al ampliar nuestro foco de observación.
À ce moment-là de l’intelligence artificielle, nous pouvons annoncer les effets de cette paradoja de deux perspectives. La primera y la más relacionada con la idea original de Jevons, afecta al consumo tecnológico. Oui, pour que vos coûts soient réduits, cela n’implique pas que cela va réduire le gaspillage total car, chaque fois, il est utilisé avec plus de fréquence et pour des problèmes ou des processus plus complexes.
En ce qui concerne la deuxième perspective, elle s’applique aux processus. Aunque gracias a la IA consigamos ejecutar una tarea mucho más rápido, no tiene por qué mejorar el proceso completo.
Un exemple aide à illustrer. Imaginemos que tenemos un sistema de IA que prepara informes a partir de distintas fuentes. En una primera impresión podemos creer que hay una mejora en esa tarea porque el tiempo de redacción es mucho menor pero el análisis debería ir un paso más allá
¿Sont fiables les données? ¿Quién valida su calidad y cuánto tiempo hay que dedicar a revisión? Qu’arrive-t-il si un cas où l’automatisation ne sait pas résoudre est apparu ?
Avec les réponses, nous pouvons observer que le processus n’a pas été optimisé, car le travail a passé une activité visible à un autre niveau plus difficile. Vous pouvez ainsi réussir dans le développement de logiciels. Acelerar una parte del proceso, sea generación de código, pruebas o documentación, no significa que haya una mejora de productividad. Hay mucho más que considerar, como la integración, la supervisión, el retrabajo y las correcciones. Y sin olvidar los costes, que incluyen licencias, consumo de modelos, infraestructura, formación y gobierno.
Les tâches stables, répétitives et bien définies doivent fonctionner mieux comme point de départ pour l’automatisation des plus contrôlables, en particulier si vos entrées sont cohérentes et que le résultat peut être validé. El problema aparece al intentar automatizar tareas cuyo diseño es deficiente. Si un assistant de documentation d’entreprise travaille avec des documents désactualisés ou des erreurs, il est impossible d’améliorer la connaissance de l’entreprise.
Il faut donc présenter l’automatisation pour que l’IA ne corrige pas le système. La IA lo amplifica, tanto si está correctamente diseñado como si no. Et lorsque ce système est confus, la confusion sera plus rapide.
Accélérer une partie du processus, la génération de code, les tests ou la documentation, ne signifie pas qu’il y ait une meilleure productivité
La première série de réflexions, qu’est-ce que nous voulons améliorer ? Il est vital que ce point soit clair pour commencer. La meta no es usar inteligencia artificial, es el medio para conseguirla, reducir tiempos, costes, errores… ¿Cuál es la fricción que queremos resolver?
Nous devons également contrôler avec quelle référence nous comparons. Oui, nous devons nous renseigner là-dessus avant de pouvoir comparer une fois l’introduction de l’automatisation.
Par ailleurs, je sais que je suis intéressé par le travail que nous avons horrifié.
Savoir si la qualité est maintenue est fondamentale. Il n’est pas possible de servir plus rapidement si vous avez plus d’erreurs et baissez la qualité finale.
Et, finalement, sachez que nous avons coûté de suivre ce résultat qui est ce qui est le plus important pour ce qui est ici de tenir compte du coût total du processus, y compris les coûts de la technologie utilisée, de l’intégration, de la maintenance, de la supervision, de la formation et de votre gouvernement.
En réponse à ces questions, nous sommes prêts à faire le travail dans le résultat, pas dans l’activité. De nada sirve que una automatización genere miles de documentos o código si no sabemos cuánto acaba siendo producto útil, con qué calidad ni a qué coste, ni cómo impacta en el negocio.
No se trata de elegir entre automatizar con IA o no hacerlo sino de elegir con criterio dónde la integramos. Nous saurons que nous pouvons résoudre avec la technologie, que les limites doivent être établies et que nous sommes toujours imprescindibles au jus humain.
Lo mejor, pues, es comenzar con un caso bien delimitado del que tengamos métricas bien definidas. Arrancar con un piloto que nos permita comprobar los resultados y medir el coste total. Et avec ces données, nous pouvons décider si nous escalamos, modificamos ou detenemos la iniciativa.
Parce que, comme notre professeur Jevons, améliore l’efficacité d’une partie qui n’implique pas une amélioration dans le contexte. Par conséquent, avant de passer à automatiser la zone de tarification suivante, nous devons nous préoccuper de quelque chose en ce qui concerne les automatismes, ¿Est-ce que nous éliminons une inefficacité ou simplement traçons une zone de tarification qui ne nous intéresse toujours pas ?
Alexandra Blanco, responsable du contenu de LedaMC
